Bivariate Statistik: Zusammenhänge zweier Variablen prüfen

Bivariate Statistik in SPSS Schritt für Schritt anwenden

Die bivariate Statistik untersucht den Zusammenhang zwischen genau zwei Variablen und ist damit der erste Schritt über die reine Beschreibung einzelner Merkmale hinaus. Statt nur zu fragen, wie hoch ein Wert ist, fragst du nun, ob zwei Merkmale zusammenhängen: Steigt die Zufriedenheit mit dem Einkommen? Unterscheidet sich das Antwortverhalten nach Geschlecht? Dieser Ratgeber erklärt die wichtigsten Verfahren von der Kreuztabelle über die Korrelation bis zum Chi-Quadrat-Test, zeigt, wie du sie nach dem Skalenniveau auswählst, und führt die Berechnung in SPSS an einem Beispiel vor.

Was die bivariate Statistik untersucht

Die bivariate Statistik steht zwischen der univariaten und der multivariaten Ebene. Die univariate Auswertung beschreibt ein einzelnes Merkmal, etwa mit Mittelwert und Streuung. Die bivariate Statistik nimmt dagegen zwei Variablen gleichzeitig in den Blick und prüft, ob und wie stark sie zusammenhängen.

Wichtig ist von Anfang an: Ein statistischer Zusammenhang ist keine Ursache. Auch wenn zwei Merkmale gemeinsam schwanken, folgt daraus nicht, dass das eine das andere bewirkt. Bevor du Zusammenhänge prüfst, solltest du deine Variablen einzeln mit der deskriptiven Statistik gründlich beschreiben, denn nur so erkennst du Ausreißer und Verteilungsformen, die das spätere Ergebnis stark beeinflussen können.

Die Wahl nach dem Skalenniveau

Welches Verfahren das richtige ist, entscheidet vor allem das Skalenniveau der beiden Variablen. Diese Zuordnung solltest du dir merken:

• Zwei nominale Variablen: Kreuztabelle und Chi-Quadrat-Test.
• Zwei metrische Variablen: Korrelation nach Pearson und Streudiagramm.
• Zwei ordinale Variablen: Rangkorrelation nach Spearman.
• Eine metrische und eine nominale Variable: Mittelwertvergleich, etwa mit dem t-Test.

Diese Entscheidung triffst du, bevor du SPSS überhaupt öffnest. Ein falsch gewähltes Verfahren führt zu Kennzahlen, die zwar berechnet werden, aber nichts Sinnvolles aussagen.

Kreuztabelle und Chi-Quadrat-Test

Bei zwei kategorialen Merkmalen ist die Kreuztabelle das Mittel der Wahl. Sie stellt die gemeinsame Häufigkeitsverteilung dar, zum Beispiel Geschlecht in den Zeilen und Studiengang in den Spalten. So siehst du auf einen Blick, wie sich die Fälle verteilen.

Ob eine Abweichung von der reinen Zufallsverteilung bedeutsam ist, prüft der Chi-Quadrat-Test. Er vergleicht die beobachteten mit den erwarteten Häufigkeiten. Ein p-Wert unter 0,05 spricht für einen signifikanten Zusammenhang. Beachte die Voraussetzung, dass in höchstens einem Fünftel der Zellen eine erwartete Häufigkeit unter fünf liegen darf, sonst ist der Test nicht belastbar.

Korrelation als Maß der Stärke

Bei zwei metrischen Variablen misst der Korrelationskoeffizient nach Pearson, wie stark und in welche Richtung sie zusammenhängen. Er liegt zwischen minus eins und plus eins: Werte nahe plus eins zeigen einen starken positiven, Werte nahe minus eins einen starken negativen Zusammenhang, ein Wert um null keinen linearen Zusammenhang.

Bei ordinalen Daten oder nicht normalverteilten Werten weichst du auf die Rangkorrelation nach Spearman aus. Wie du die Berechnung und Interpretation im Detail durchführst, zeigt der Leitfaden zur Korrelation in SPSS. Ergänze einen Korrelationswert immer um ein Streudiagramm, damit du Ausreißer und nichtlineare Muster erkennst.

Bivariate Statistik in SPSS berechnen

In SPSS ist die bivariate Statistik in wenigen Klicks erreichbar. Für eine Kreuztabelle mit Chi-Quadrat wählst du Analysieren, Deskriptive Statistik, Kreuztabellen und aktivierst unter Statistik die Option Chi-Quadrat. Für eine Korrelation gehst du über Analysieren, Korrelation, Bivariat und ziehst die beiden Variablen in das Feld.

SPSS gibt dir anschließend die Kennzahl und die Signifikanz aus. Lies zuerst den p-Wert, um zu klären, ob überhaupt ein Zusammenhang vorliegt, und dann die Stärke des Effekts. Einen vollständigen Überblick über die passenden Verfahren bietet der SPSS-Statistik-Hub.

Ein Beispiel und die Interpretation

Ein Beispiel macht das Vorgehen greifbar: Du untersuchst, ob die wöchentliche Lernzeit mit der Klausurnote zusammenhängt. Beide Variablen sind metrisch, also berechnest du eine Korrelation nach Pearson. SPSS liefert r gleich minus 0,42 bei p gleich 0,003.

Die Interpretation lautet: Es besteht ein mittlerer, signifikanter Zusammenhang, wobei mehr Lernzeit mit besseren, also kleineren Notenwerten einhergeht. Im Ergebnisteil berichtest du Koeffizient, Signifikanz und Stichprobengröße und ordnest die Stärke des Effekts ein. Achte auf einheitliche Nachkommastellen und das im Deutschen übliche Dezimalkomma, damit deine Darstellung durchgängig sauber bleibt.

Wichtig ist, dass du das Ergebnis nicht überdehnst. Ein Zusammenhang zwischen Lernzeit und Note bedeutet nicht automatisch, dass mehr Lernen unmittelbar bessere Noten verursacht, denn dahinter können weitere Faktoren wie Vorwissen oder Motivation stehen. Solche Drittvariablen lassen sich erst mit multivariaten Verfahren kontrollieren. Formuliere deine Aussagen im Ergebnisteil deshalb vorsichtig und trenne die reine Beschreibung des Zusammenhangs klar von jeder inhaltlichen Deutung.

Mehr zur Statistik: deskriptive Statistik, Korrelation in SPSS und Statistik und SPSS.